大模型应用开发第五讲：成熟度模型：从ChatGPT（L2）到未来自主Agent（L4）

大模型应用开发第五讲：成熟度模型：从ChatGPT（L2）到未来自主Agent（L4）

资料取自《大模型应用开发：动手做AI Agent 》。
查看总目录：学习大纲

关于DeepSeek本地部署指南可以看下我之前写的文章：DeepSeek R1本地与线上满血版部署：超详细手把手指南

---

Agent成熟度模型详解：从「智能客服」到「科幻管家」

用手机进化史类比AI Agent发展路径，结合书中技术框架梳理阶段特征

---

一、成熟度分级表（先看全局）

级别	名称	能力类比	典型特征	案例参考
L1	基础对话模型	功能机（只能打电话）	单轮问答，无上下文记忆	早期客服机器人
L2	ChatGPT级（初级Agent）	智能手机（装App扩展能力）	简单规划+调用单个工具	GPT-4联网版
L3	专业领域Agent	智能手表（健康监测）	多步骤决策+领域工具链协作	医疗诊断Agent
L4	自主Agent	科幻管家（贾维斯）	跨系统协作+动态学习+自我优化	电影《钢铁侠》AI

---

二、逐级拆解（含技术原理与案例）

▶ L2级：会查资料的「实习生」

核心特征：

• 有限规划：拆解简单任务（如“查天气→推荐穿搭”）2
• 单一工具：每次调用1个接口（如地图API）[5]
• 线性执行：出错需人工修正（订单失败就卡住）[6]

生活案例：旅行清单助手

用户说：“下周末去杭州要带什么？”
1️⃣ 查杭州天气（调用天气API → 显示有雨）[5]
2️⃣ 生成清单：雨伞、薄外套 → 结束任务[6]

flowchart TD
    A[用户提问] --> B(调用天气API)
    B --> C{是否下雨?}
    C -->|是| D[建议带伞]
    C -->|否| E[建议防晒用品]

▲ 线性决策流程（第5章Function Calling示例）

---

▶ L3级：行业专家级的「部门主管」

技术突破：

• 多级规划：任务树分解（如看病→挂号→检查→开药）1
• 工具链协作：连续调用多个系统（医保计算+药房库存查询）[6]
• 异常处理：预算超支自动切换方案（如改用平价替代药）[6]

医疗Agent实战流程：
1️⃣ 患者输入症状 → 拆解为[挂号科室→检查项目→取药] [1]
2️⃣ 调用医院HIS系统查号源 → 推荐最近三甲医院 5
3️⃣ 检查报告解读 → 自动对比历史病例库 [5]
4️⃣ 开药时检测医保余额 → 不足时触发短信提醒 [6]

flowchart LR
    A[症状描述] --> B(分解就诊步骤)
    B --> C[工具1:挂号系统]
    B --> D[工具2:检查项库]
    B --> E[工具3:医保计算器]
    C & D & E --> F[生成就诊方案]
    F --> G{患者确认?}
    G -->|是| H[执行预约]
    G -->|否| I[重新规划]

▲ 多工具协作流程（第6章ReAct框架）

---

▶ L4级：全能型的「CEO助理」

质变特征（相比L3）：

• 动态学习：从用户反馈优化策略（如记住用户常选航空公司）[4]
• 跨系统协同：同时调度物流+支付+供应链系统 [6]
• 自主纠错：航班取消时自动改签+重订酒店+通知客户 4

案例：情人节鲜花危机救援
1️⃣ 感知异常：物流系统报警 → 50%库存损毁[6]
2️⃣ 动态规划：
▸ 查找备用供应商（调用3个鲜花平台API）
▸ 比价后锁定本地批发市场现货 [6]
3️⃣ 多线程执行：
▸ 向批发商付款 → 调用企业支付接口
▸ 同步更新客户订单 → 发送延迟补偿券 [6]
4️⃣ 经验沉淀：将本次方案存入危机应对知识库 2

flowchart TD
    A[库存告警] --> B(自主启动应急预案)
    B --> C[并行调用工具]
    C --> D[供应商检索API]
    C --> E[比价算法]
    C --> F[物流调度系统]
    D & E & F --> G{成本<预算?}
    G -->|是| H[全自动采购]
    G -->|否| I[发起人工审批]

▲ L4自主决策流程（第6章Plan-and-Execute案例）

---

三、关键技术支撑（书中核心章节索引）

L2→L3跃迁关键

• 任务分解技术：思维链（Chain of Thought） → 《大模型应用开发：动手做AI Agent 》第2章2.2节[1]
• 工具调度能力：外部规划器（PDDL语言转换） → 《大模型应用开发：动手做AI Agent 》第2章2.2节[1]
• 验证反馈机制：ReAct框架的思考-行动循环 → 《大模型应用开发：动手做AI Agent 》第6章[6]

L3→L4跃迁关键

• 长期记忆系统：向量数据库存储历史经验 → 《大模型应用开发：动手做AI Agent 》第2章2.3节[5]
• 动态学习架构： Reflexion框架的自我反思 → 《大模型应用开发：动手做AI Agent 》第2章2.2节[1]
• 多Agent协同： 边缘计算节点分工协作 → 《大模型应用开发：动手做AI Agent 》附录A[4]

---

四、未来展望：L5级「数字生命」会远吗？

书中线索（《大模型应用开发：动手做AI Agent 》附录A方向）：

• 具身智能： Agent控制实体机器人维修设备 [4]
• 人机共生： AI实时学习用户习惯 → 下班前自动调节家中空调[4]
• 社会协作： 物流Agent与交通Agent协商最优配送路线 [4]

科幻照进现实的时间表：

gantt
    title Agent进化路线预测
    section 当前阶段
    L3医疗Agent :done, 2023, 2024
    L4供应链Agent :active, 2024, 2026
    section 未来5年
    L5具身Agent :2026, 2028
    城市级Agent网络 :2028, 2030

关键引用：

• 多模态Agent方向 → 《大模型应用开发：动手做AI Agent 》附录A.3节[4]
• 边缘系统部署技术 → 《大模型应用开发：动手做AI Agent 》附录A.2节[4]
• 自主进化架构 → 《大模型应用开发：动手做AI Agent 》第6章ReAct扩展案例[6]

---

目录：总目录
上篇文章：大模型应用开发第四讲：两大方向：增加上下文信息（知识） vs 提升行动力（微调或Agent技术）

---